선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 CSS 기술에 적용된 TWR(Two Way Ranging) / SDS-TWR(Symmetric Double- Sided TWR)에서 발생되는 레인징 오차를 보정하여 위치인식 정확도 성능 향상을 목적으로 한 보정 알고리즘을 제시한다.
- 본 논문은 실내 위치인식 시스템에 사용되는 CSS의 SDS-TWR기반 위치인식 성능향상을 위하여 AEDR 보정 알고리즘과 칼만필터를 적용하는 KF_EDR 위치인식 보정 알고리즘을 제안하고, 그 성능을 분석하였다.
제안 방법
- 1단계로 추정 데이터와 실제 측정 데이터 및 컨트롤 벡터(vx, vy : 좌표에 영향을 주는 x, y축의 속도 값)의 칼만필터 객체를 생성하고, 이전 상태에 기반한 상태 전이행렬 "F"와 측정데이터에 관계되는 행렬 "h", 시스템 오차 "Q", 컨트롤 벡터 값, 에러공분산, 그리고 추정되는 상태 값을 초기화 한다.
- AEDR은 SDS-TWR의 특징 및 문제점을 해결하여 위치인식 정확도 성능효율을 향상시킨다. 그러나 여전히 위치인식 오차는 존재하기 때문에 더 정밀한 위치인식 성능을 위해 이미 검증된 칼만필터를 제안 알고리즘에 적용하여 AEDR 보다 더 위치인식 성능이 우수한 보정 알고리즘이 되도록 설계하였다.
- AEDR은 [6]에서 분석된 바와 같이 레인징 값이 실제 비컨노드와 이동노드 사이의 거리보다 더 크게 측정되는 특징 점과, 특정구간에서 측정되는 3m 이상의 비교적 큰 레인징 오차를 보정하는 알고리즘으로 제안되었다. 따라서 본 논문에서는 AEDR을 제안하는 위치인식 보정 알고리즘에 적용시켜 위치인식 성능이 향상되도록 설계하였다.
- 그 이유는 실험환경마다 데이터를 저장해야하는 번거로움이 존재하는 핑거프린트 방식보다 간단하게 위치측정이 가능하다. 또한, 고정된 비컨노드의 위치 좌표를 알며 비컨노드와 이동노드의 레인징 값을 기초로 한 거리(cm) 값을 사용하고 측정된 거리 값을 보정함에 따라 교점을 이용한 위치인식 방법을 사용한다.
- 실험은 LOS 전파환경의 실내 복도와 실외 운동장 등 2곳에서 실시되었으며, 각각 세 가지 시나리오를 바탕으로 위치인식 정확도 성능 실험이 이루어졌다. 실시되는 세 가지 시나리오 항목은 다음과 같다.
- 위치인식 정확도 성능 실험 방법은 먼저, 이동노드가 비컨노드 4개와 레인징 값을 각각 측정하여, 이를 싱크노드에게 전송하면, 싱크노드는 이동노드로부터 받은 레인징 값을 모니터링 서버로 전송한다. 그러면 모니터링 서버는 제안하는 KF_EDR 위치인식 보정 알고리즘의 수행과정을 거쳐서 이동노드의 위치좌표로 출력한다.
-
③ 시나리오3: 위치좌표(0,5)~(10,5)까지 이동
이동노드들은 무선 원격제어가 가능한 바퀴 4개 달린 이동물체의 모터부분에 부착되어 시나리오대로 이동되도록 하였다
. - 제안하는 알고리즘은 측정된 레인징 값을 이용하여 AEDR을 수행하는 단계, AEDR이 적용된 이후에 보정된 레인징 값으로 위치좌표 x, y를 측정하는 단계, 측정된 위치좌표 x, y값을 칼만필터에 적용하여 보정하는 단계 즉, 3단계 위치인식 보정 알고리즘으로 구성된다.
대상 데이터
- 실험 환경은 싱크노드 1개, 이동노드 1개, 비컨노드 4개, 모니터링 서버 1대로 구성하였으며, 비컨노드 A, B, C, D는 10m × 6m의 영역에서 좌표(0,0), (10,0), (10,6), (0,6)에 배치하였다.
이론/모형
- 본 논문에서 제시하는 위치인식 보정 알고리즘은 삼변측량법을 사용하여 위치좌표 결과를 산출한다. 그 이유는 실험환경마다 데이터를 저장해야하는 번거로움이 존재하는 핑거프린트 방식보다 간단하게 위치측정이 가능하다.
- 본 논문은 AEDR을 제안 알고리즘에 적용한다. AEDR은 [6]에서 분석된 바와 같이 레인징 값이 실제 비컨노드와 이동노드 사이의 거리보다 더 크게 측정되는 특징 점과, 특정구간에서 측정되는 3m 이상의 비교적 큰 레인징 오차를 보정하는 알고리즘으로 제안되었다.
성능/효과
- AEDR은 시나리오별로 각각 55.9%, 52.4%, 62.1%로, KF_EDR은 72.5%, 65.4%, 63.6%로 위치인식 정확도가 각각 개선되었다. KF_EDR는 AEDR 보다 16.
- AEDR은 시나리오별로 위치인식 정확도 성능이 각각 65.8%, 61.6%, 43.0%로 개선되었다. 그러나 KF_EDR은 시나리오별로 위치인식 정확도 성능이 67.
- 6%로 위치인식 정확도가 각각 개선되었다. KF_EDR는 AEDR 보다 16.6%, 13.0%, 1.5% 더 위치인식 정확도 성능이 개선된 것을 확인할 수 있다.
- SDS-TWR은 시나리오별로 각각 119.39cm, 84.55cm, 90.08cm의 위치인식 오차 평균이 측정되었다. 그리고 AEDR 적용으로 위치인식 오차는 40.
- SDS-TWR은 시나리오별로 각각 78.55cm, 73.77cm, 73.24cm의 위치인식 오차 평균이 측정되었다. 그리고 AEDR 적용으로 위치인식 오차는 34.
- 그 결과 LAM²+LCM²> LBM²+LDM² 이나 LAM²+ LCM² < LBM²+LDM²와 같은 조건이 성립하게 되는데, AEDR은 이 두 가지 조건식을 바탕으로 레인징 값을 보정한다.
- 0%로 개선되었다. 그러나 KF_EDR은 시나리오별로 위치인식 정확도 성능이 67.4%, 69.7%, 47.0%로 AEDR 보다 1.6%, 8.1%, 4.0% 더 성능이 개선된 것을 확인할 수 있다.
- 그러나 KF_EDR의 1단계 보정(AEDR) 이후에 위치인식 정확도가 크게 향상된 결과를 그림 5, 그림 6를 통해 확인할 수 있다. 그리고 2단계의 위치인식 측정 단계를 수행한 후, 3단계 칼만필터가 수행된 결과 값 즉, KF_EDR 적용 이후에는 AEDR보다 더 정밀하게 위치인식이 된 결과를 확인할 수 있다.
- 이것은 AEDR이 전파 및 환경으로 인해 레인징 값이 측정되지 않거나, 레인징 오차가 급격히 증가하는 레인징의 문제점을 해결하고, 레인징 값이 실제 두 개 노드 사이의 거리보다 크게 측정되는 특징을 바탕으로 더 정밀하게 보정이 되도록 설계되었기 때문이다. 그리고 AEDR 적용 이후 개선된 결과를 칼만필터의 입력 값으로 넣고, 칼만필터 연산을 수행함으로써 최종 위치좌표의 값은 더 정밀하게 보정이 되었다.
- 60cm로 측정되었다. 그리고 AEDR을 적용한 결과, 위치인식 정확도 오차는 실험환경별로 32.49cm, 41.55cm, 그리고 평균 오차 37.02cm로 측정되었다.
- 2% 더 우수하였다. 또한 KF_EDR은 시나리오별로 위치인식 정확도 성능이 복도의 경우, AEDR 보정 알고리즘 보다 16.6%, 13.0%, 1.5%로, 운동장의 경우, AEDR 보정 알고리즘 보다 1.6%, 8.1%, 4.0% 더 위치인식 정확도 성능이 개선된 것을 확인할 수 있다.
- 00cm로 측정되었다. 또한 제안하는 KF_EDR의 위치인식 정확도의 개선 비율은 67.3%, 61.8%으로 측정되었는데, 이는 AEDR에 비해 복도 및 운동장의 경우 각각 10.5%, 4.2% 개선되었음을 알 수 있다.
- 위치인식 정확도 성능이 상당히 개선된 이유를 분석하면 다음과 같다. 먼저, KF_EDR의 1단계 보정 알고리즘인 AEDR의 적용으로 평균 50% 이상의 위치인식 정확도 개선 성능이 이루어졌다. 이것은 AEDR이 전파 및 환경으로 인해 레인징 값이 측정되지 않거나, 레인징 오차가 급격히 증가하는 레인징의 문제점을 해결하고, 레인징 값이 실제 두 개 노드 사이의 거리보다 크게 측정되는 특징을 바탕으로 더 정밀하게 보정이 되도록 설계되었기 때문이다.
- 복도와 운동장에서 측정된 SDS-TWR의 위치인식 정확도 오차는 각각 75.19cm, 98.01cm이며, 평균 오차는 86.60cm로 측정되었다. 그리고 AEDR을 적용한 결과, 위치인식 정확도 오차는 실험환경별로 32.
- 위치인식 정확도 측정 실험 결과, SDS-TWR은 5m 이상의 위치인식 오차를 포함하여 많은 부분에서 신뢰할 수 없는 위치인식 성능 결과가 측정되었다.
- 이러한 결과는 측정되는 위치인식 정확도의 신뢰성을 향상시켰으며, 실제 위치인식 시스템 구현에 상당한 도움을 줄 수 있다고 판단된다. 그러나 NLOS의 환경에서는 다양한 전파환경 및 장애물로 인해 상기와 같이 매우 우수한 위치인식 정확도 성능 결과를 얻기 어렵다.
- 제안하는 KF_EDR 위치인식 보정 알고리즘은 복도와 운동장에서 각각 SDS-TWR의 위치인식 정확도를 각각 약 67.3%, 61.8% 개선시켰으며, 1단계 보정 알고리즘인 AEDR 보다 위치인식 개선 성능이 각각 10.5%, 4.2% 더 우수하였다. 또한 KF_EDR은 시나리오별로 위치인식 정확도 성능이 복도의 경우, AEDR 보정 알고리즘 보다 16.
- 제안하는 KF_EDR 위치인식 보정 알고리즘은 실험 환경별로 위치인식 정확도 오차가 24.59cm, 37.40cm, 그리고 평균 오차는 31.00cm로 측정되었다. 또한 제안하는 KF_EDR의 위치인식 정확도의 개선 비율은 67.
후속연구
- SDS-TWR의 문제점을 해결해주는 AEDR과 KF_EDR 위치인식 보정 알고리즘을 적용한다면 상기의 결과와 같이 실내 환경과 실외 환경 모두에서 1m 내외의 비교적 안정적인 위치인식 정확도 성능을 기대할 수 있으며, 대략적인 이동물체의 이동경로를 확인할 수 있을 만큼의 성능을 기대할 수 있다.
- 따라서 향후 NLOS 환경에서 레인징 값 및 위치인식 특성을 분석하여 환경변화에 충분히 대응할 수 있는 위치인식 보정 알고리즘에 대한 연구가 필요하다. 그리고 최근 이동통신 및 위치인식 서비스 관련 스마트폰 어플리케이션의 발전에 따라 더 다양한 방법으로 최적의 하이브리드 보정 알고리즘의 응용에 대한 연구가 필요하다.
- 그러나 NLOS의 환경에서는 다양한 전파환경 및 장애물로 인해 상기와 같이 매우 우수한 위치인식 정확도 성능 결과를 얻기 어렵다. 따라서 향후 NLOS 환경에서 레인징 값 및 위치인식 특성을 분석하여 환경변화에 충분히 대응할 수 있는 위치인식 보정 알고리즘에 대한 연구가 필요하다. 그리고 최근 이동통신 및 위치인식 서비스 관련 스마트폰 어플리케이션의 발전에 따라 더 다양한 방법으로 최적의 하이브리드 보정 알고리즘의 응용에 대한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.